最小化单机车间问题中迟到作业与延迟作业的两种帕累托最优基于启发式算法

车间问题在运营研究中占据重要位置，具有显著的实际意义。单机车间问题尤其具有理论意义。迄今为止，仅可通过计算密集型方法（如动态规划或线性规划）来最小化延迟作业或作业迟到。本文引入、测试和优化两种新的启发式算法，用于单机车间中混合迟到作业和延迟作业的最小化。两种算法都构建了迭代的部分日程。两种方法也保留中间阶段的帕累托最优解，以同时考虑迟到作业和延迟作业，以及部分完成时间对尚未安排作业的影响。两种算法都可以应用于数百个作业的情景，执行时间从不到一秒到几分钟不等。虽然它们比基于调度规则的启发式方法要慢，但获得的解决方案要好得多。我们还比较了一种神经网络解决方案，该解决方案表现不佳。